CapCut电脑版可直接将时间轴字幕转为AI配音：先导入视频并生成或添加带时间轴的字幕，再选中字幕开启Speech功能，选择Lily/Leo等支持情感与标点停顿的音色，调节语速、音高及启用Emotion，最后导出时勾选Include Audio Track并设码率320kbps。
想让CapCut电脑版自动把字幕变成人声配音，不用自己开口录，也不用导出再合成，直接在剪辑界面里点几下就能生成自然流畅的AI语音。
导入视频并添加字幕
打开CapCut电脑版（国际版），点击「New Project」新建项目→点击左上角「Import」导入你的视频文件→将视频拖入下方时间轴轨道。
点击顶部菜单栏的「Text」→在左侧面板选择「Auto Captions」→点击「Generate」启动语音识别；若已有文案，选「Text to Speech」→「Add Text」手动输入或粘贴字幕内容，每段控制在80字符内，避免AI朗读时喘不过气。
系统会自动生成带时间轴的字幕条，落在文本轨道上。这一步必须完成，【AI朗读功能只对已存在的时间轴字幕生效，纯文本框或未落轨的文字无法触发】。
启用AI朗读并选声线
用鼠标单击时间轴上的任意一条字幕，确保它被高亮选中。
在右侧属性面板中找到「Speech」模块（图标为声波形），点击「Enable Speech」开关开启朗读功能。
下拉「Voice」选项，CapCut当前提供16种预设音色：含美式/英式英语、标准普通话、粤语、日语等；中文场景推荐「Lily」（亲切女声）或「Leo」（沉稳男声），二者均支持轻重音识别与标点停顿——比如句号后自动延长0.3秒，比「Xiaoyan」这类基础音色更接近真人语流。
注意：首次使用需联网加载音色模型，离线状态下仅保留最近使用过的3种音色。
精细调节语音表现力
第一步：调语速。默认1.0，教育类口播建议设为0.9～1.05，快节奏短视频可拉到1.2～1.35，但超过1.4易失真，尤其带鼻音或卷舌音的词会模糊。
第二步：动音高。滑块范围-20～+20，单位为半音。给儿童内容加+8～+12能提亮情绪；给科普解说设-5～0可增强可信度。别乱调±15以上，否则听起来像卡通变声器。
第三步：开「Emotion」开关。该选项仅对「Lily」「Leo」「Hiro」等高级音色有效，启用后AI会根据“！？”“但是”“其实”等关键词微调语调起伏，实测让单句表达丰富度提升明显。
第四步：检查呼吸感。播放预览时重点听句尾和逗号处是否自然收音，若出现生硬截断，返回字幕轨道，在对应位置手动插入「，」或「。」——AI依赖标点建模停顿，空格或换行不触发停顿逻辑。
导出带AI配音的成片
确认预览无误后，点击右上角「Export」→在弹窗中勾选「Include Audio Track」。
音频格式选「MP3」或「WAV」，码率务必设为「320 kbps」，否则AI语音的齿音与气声细节会严重丢失。
点击「Export」开始渲染，生成的视频将同时包含原始背景音与AI配音轨道，两轨默认混合输出。
